Schnelle Salienzgesteuerte Mix-up durch Zufällige Gradientenschwellenwertung

Mix-up-Trainingsansätze haben sich als effektiv erwiesen, um die Generalisierungsfähigkeit von Tiefen Neuronalen Netzen zu verbessern. Im Laufe der Jahre hat die Forschungsgemeinschaft Mix-up-Methoden in zwei Richtungen erweitert, wobei große Anstrengungen unternommen wurden, um die Salienz-gesteuerten Verfahren zu verbessern, während der willkürliche Pfad weitgehend vernachlässigt wurde und das Randomisierungsgebiet unerforscht blieb. In dieser Arbeit, inspiriert von den überlegenen Eigenschaften jeder Richtung gegenüber der anderen, stellen wir eine neuartige Methode vor, die an der Schnittstelle dieser beiden Wege liegt. Durch die Kombination der besten Elemente von Zufälligkeit und Salienznutzung balanciert unsere Methode Geschwindigkeit, Einfachheit und Genauigkeit. Wir nennen unsere Methode R-Mix im Sinne des Konzepts "Random Mix-up". Wir zeigen ihre Effektivität in Bezug auf Generalisierung, schwach überwachte Objektlokalisation, Kalibrierung und Robustheit gegenüber adversären Angriffen. Schließlich, um die Frage zu klären, ob es ein besseres Entscheidungsprotokoll gibt, trainieren wir einen Reinforcement-Learning-Agenten, der basierend auf der Leistung des Klassifikators die Mix-up-Richtlinien entscheidet. Dies reduziert die Abhängigkeit von menschengestalteten Zielfunktionen und Hyperparameteroptimierung. Ausführliche Experimente zeigen zudem, dass der Agent imstande ist, auf dem neuesten Stand zu performen und damit die Grundlage für eine vollautomatische Mix-up-Verwendung legt. Unser Code ist unter [https://github.com/minhlong94/Random-Mixup] verfügbar.